□ 郭双全

上海电气集团股份有限公司 中央研究院 上海 200070

1 研究背景

在金属切削加工过程中,刀具受到切屑和工件的摩擦与作用力,不断磨损。刀具磨损程度直接影响工件的加工质量、效率和成本,磨损严重时会影响机床正常运行,甚至造成机床故障停机,引发安全事故。据统计,数控机床刀具寿命只有50%～80%被合理利用,处理刀具非正常状态所用的时间占机床总停机时间的10%～40%[1]。可见,研究可靠的刀具磨损评估方法对提高加工质量、缩短加工时间、降低加工成本具有重要意义。

刀具磨损的直接测量方法包括光学测量、计算机视觉测量、X 射线测量等[2]。直接测量方法通常操作复杂,设备成本高,而且需要频繁停机或拆卸刀具,会降低生产过程的连续性,影响加工效率,一般只适用于高精度产品的加工。刀具磨损的间接测量方法主要采集与刀具磨损相关的切削力信号、振动信号、声发射信号,使用信号处理分析方法提取特征,结合机器学习算法得到刀具磨损量,可以实现实时监测[3]。

随着人工智能技术的发展,神经网络具有较强的特征学习能力和泛化能力,正逐渐被学者用于刀具磨损状态识别中。李德华等[4]提出一种通过电子显微镜在线拍摄刀具照片,采用小波变换和卷积神经网络计算刀具磨损量的方法。朱永猛等[5]提出采用高速铣床加工过程中主轴和工作台振动信号、主轴电机直流电流和交流电流信号、主轴与工作台噪声信号的时域统计特征,结合自适应神经模糊推理系统,实现对刀具磨损量的监测。……